JP7213701B2 - 加工装置、加工方法、加工プログラム、及び検査装置 - Google Patents

Description

本発明は、分類器の機械学習に用いる学習用データを加工する加工装置、加工方法、及び加工プログラムに関する。また、物品の検査を行う検査装置に関する。

画像に被写体として含まれる物品の状態を分類する分類器の機械学習に用いられる学習用データは、画像と、その画像に被写体として含まれる物品の状態を人が分類した結果を示すタグと、により構成される。このような学習用データからなる学習用データセットを用いて機械学習を行った分類器は、画像に被写体として含まれる物品の状態を、人と同様に分類することができる。

特許文献１には、画像に被写体として含まれる物品の欠陥を分類する分類方法が開示されている。特許文献１に記載の分類方法では、画像の特徴量に基づいて、その画像に被写体として含まれる物品の欠陥を分類している。この分類には、画像の特徴量に基づく欠陥の分類結果（ユーザカテゴリ）と、人による欠陥の分類結果（サブカテゴリ）との間の、予め求められた対応関係が利用される。

特開２００１－１３４７６３号公報（２００１年５月１８日公開）

上述したように、学習用データに含まれるタグは、物品の状態を人が分類した結果を示す。このため、学習用データに含まれるタグは、物品の状態を分類する人の特性や体調などにより、揺らぐことがある。学習用データに含まれるタグにこのような揺らぎがあると、分類器の分類精度を向上させる妨げになることがある。

本発明は、上記の問題に鑑みてなされたものであり、学習用データに含まれるタグの揺らぎを取り除くことができる、学習用データの加工装置、加工方法、及び加工プログラムを実現することにある。また、そのような加工装置を備えた検査装置を実現することにある。

上記の課題を解決するために、本発明の一態様に係る加工装置は、物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データを加工する加工装置において、上記学習用データに含まれる画像に被写体として含まれる物品の状態を、該画像の少なくとも１つの特徴量に基づいて判定する判定部と、上記学習用データに含まれるタグを、上記判定部にて判定された状態を示すタグに置き換える加工部と、を備えている。

上記の課題を解決するために、本発明の一態様に係る加工方法は、物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データを加工する加工方法において、上記学習用データに含まれる画像に被写体として含まれる物品の状態を、該画像の少なくとも１つの特徴量に基づいて判定する判定ステップと、上記学習用データに含まれるタグを、上記判定ステップにて判定された状態を示すタグに置き換える加工ステップと、を含んでいる。

上記の課題を解決するために、本発明の一態様に係る加工プログラムは、コンピュータを請求項１から３の何れか１項に記載の加工装置として動作させる加工プログラムであって、上記コンピュータを上記加工装置の各部として機能させる。

上記の課題を解決するために、本発明の一態様に係る検査装置は、物品の検査を行う検査装置であって、上記物品を被写体として含む画像を参照して該物品の状態を分類する分類処理を、機械学習により定められるアルゴリズムに従い実行する分類器と、請求項１から３の何れか１項に記載の加工装置と、上記加工装置にて加工された学習用データを用いて上記分類器に機械学習を行わせる学習制御部と、を備えている。

これらの構成によれば、学習用データに含まれるタグの揺らぎを取り除くことができる。

本発明の一態様に係る加工装置において、上記学習用データを含む学習用データセットを参照して、上記特徴量からなる特徴量ベクトルを要素とする特徴量空間を、それぞれが物品の状態に対応する少なくとも２つの部分空間に分割する分割部を更に備え、上記判定部は、上記学習用データに含まれる画像に被写体として含まれる物品の状態を、上記部分空間のうち、該画像の上記特徴量からなる特徴量ベクトルが含まれる部分空間に対応する物品の状態であると判定する、ことが好ましい。

上記の構成によれば、より簡単な処理で学習用データに含まれるタグの揺らぎを取り除くことができる。

本発明の一態様に係る加工装置において、上記分割部は、上記学習用データセットに含まれる各学習用データについて、該学習用データに含まれるタグが示す物品の状態と、上記部分空間のうち、該学習用データに含まれる画像の上記特徴量からなる特徴量ベクトルが属する部分空間に対応する物品の状態とが一致することを正解として、上記判定部は、上記特徴量空間を上記部分空間に分割する超平面を、正解率を最大化するように決定する、ことが好ましい。

上記の構成によれば、より簡単な処理でより確実に学習用データに含まれるタグの揺らぎを取り除くことができる。

本発明の一態様によれば、学習用データに含まれるタグの揺らぎを取り除くことができる、学習用データの加工装置、加工方法、及び加工プログラムを実現することができる。また、本発明の一態様によれば、そのような加工装置を備えた検査装置を実現することができる。

本発明の第１の実施形態に係る加工装置の物理的構成を示すブロック図である。 図１に示す加工装置の機能的構成を示すブロック図である。 図１に示す加工装置が実行する加工方法の流れを示すフローチャートである。 図３に示す分割ステップにおける分割処理の一例を示す模式図である。 図３に示す判定ステップにおける判定処理及び加工ステップにおける加工処理の一例を示す模式図である。 本発明の第２の実施形態に係る検査装置の機能的構成を示すブロック図である。 図６に示す検査装置の実施例における、学習用データセットに属する各学習用データに含まれる画像の特徴量ベクトルの分布を示すグラフである。 図６に示す検査装置の実施例における、分割部が特徴量空間を分割した結果を示すグラフである。

〔第１の実施形態〕
（加工装置の物理的構成）
本発明の第１の実施形態に係る加工装置１の物理的構成について、図１を参照して説明する。図１は、加工装置１の物理的構成を示すブロック図である。

加工装置１は、図１に示すように、バス１０と、主メモリ１１と、プロセッサ１２と、補助メモリ１３と、入出力インターフェース１４と、を備えたコンピュータである。主メモリ１１、プロセッサ１２、補助メモリ１３、及び入出力インターフェース１４は、バス１０を介して互いに接続されている。主メモリ１１としては、例えば、単一又は複数の半導体ＲＡＭ（random access memory）が用いられる。プロセッサ１２としては、例えば、単一又は複数のマイクロプロセッサ、単一又は複数のデジタルシグナルプロセッサ、単一又は複数のマイクロコントローラ、又はこれらの組み合わせが用いられる。補助メモリ１３としては、例えば、単一又は複数のＨＤＤ（Hard Disk Drive）、単一又は複数のＳＳＤ（Solid State Drive）、又はこれらの組み合わせが用いられる。また、補助メモリ１３の一部又は全部は、通信インタフェース（図示せず）を介して接続されたネットワーク上のストレージであってもよい。入出力インターフェース１４としては、例えば、ＵＳＢ（Universal Serial Bus）インターフェース、赤外線やBluetooth（登録商標）等の近距離通信インターフェース、又はこれらの組み合わせが用いられる。

入出力インターフェース１４には、例えば、入力装置２０及び出力装置３０が接続される。入力装置２０としては、例えば、キーボード、マウス、タッチパッド、マイク、又はこれらの組み合わせ等が用いられる。出力装置３０としては、例えば、ディスプレイ、プリンタ、スピーカ、又はこれらの組み合わせが用いられる。なお、加工装置１は、ノート型コンピュータのように、入力装置２０として機能するキーボート及びタッチパッド、並びに、出力装置３０として機能するディスプレイを内蔵していてもよい。また、加工装置１は、スマートフォン又はタブレット型コンピュータのように、入力装置２０及び出力装置３０として機能するタッチパネルを内蔵していてもよい。

補助メモリ１３には、後述する加工方法Ｓ１をプロセッサ１２に実行させるためのプログラムＰが格納されている。プロセッサ１２は、補助メモリ１３に格納されたプログラムＰを主メモリ１１上に展開し、主メモリ１１上に展開されたプログラムＰに含まれる各命令を実行することによって、後述する加工方法Ｓ１に含まれる各ステップを実行する。また、補助メモリ１３には、後述する加工方法Ｓ１を実行するためにプロセッサ１２が参照する各種データが格納されている。

なお、ここでは、内部記憶媒体である補助メモリ１３に格納されているプログラムＰに従ってプロセッサ１２が後述する加工方法Ｓ１を実行する形態について説明したが、これに限定されない。すなわち、外部記録媒体に格納されているプログラムＰに従ってプロセッサ１２が後述する加工方法Ｓ１を実行する形態を採用してもよい。この場合、外部記録媒体としては、コンピュータが読み取り可能な「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブル論理回路などを用いることができる。あるいは、通信インタフェース（図示せず）を介して接続されるネットワーク上から取得したプログラムＰに従ってプロセッサ１２が後述する加工方法Ｓ１を実施する形態を採用してもよい。この場合、ネットワークとしては、例えば、インターネット、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、又はこれらの少なくとも一部の組み合わせ等などを用いることができる。

また、ここでは、単一のコンピュータを用いて加工装置１を実現する形態について説明したが、これに限定されない。すなわち、互いに通信可能に構成された複数のコンピュータを用いて加工装置１を実現する形態を採用してもよい。この場合、後述する加工方法Ｓ１を構成する各ステップを、これらのコンピュータにより並列的に実行することが可能になる。

（加工装置の機能的構成）
加工装置１の機能的構成について、図２を参照して説明する。図２は、加工装置１の機能的構成を示すブロック図である。

加工装置１は、図２に示すように、分割部１０１と、判定部１０２と、加工部１０３と、を備えている。これらのブロックは、上述したプロセッサ１２が上述したプログラムＰの命令を実行することにより実現される機能ブロックである。

加工装置１は、物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データを加工する加工方法Ｓ１を、学習用データセットを参照して実施する装置である。ここで、学習用データセットは、物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データの集合である。

分割部１０１は、学習用データセットを参照して、画像の特徴量ｘ１，ｘ２，…，ｘｎにより構成される特徴量空間Ｘを、画像に被写体として含まれる物品の状態に対応する部分空間Ｓ１，Ｓ２，…Ｓｍに分割するブロックである。ここで、ｎは、特徴量の個数を表す２以上の自然数であり、ｍは、物品の個数を表す２以上の自然数である。特徴量空間Ｘは、特徴量ベクトル（ｘ１，ｘ２，…，ｘｎ）を要素とするｎ次元ベクトル空間である。

本実施形態において、分割部１０１は、ｎ次元の特徴量空間Ｘをｎー１次元の超平面によって部分空間Ｓ１，Ｓ２，…Ｓｍに分割する。部分空間Ｓ１，Ｓ２，…Ｓｍの境界となる超平面は、例えば、学習用データセットに含まれる各学習用データについて、その学習用データに含まれるタグが示す状態が状態ｉであるとき、その学習用データに含まれる画像の特徴量ベクトルが状態ｉに対応する部分空間Ｓｉに含まれることを正解として、正解率が最も高くなるように定められる。

判定部１０２は、学習用データセットに属する各学習用データについて、その学習用データに含まれる画像の特徴量ｘ１，ｘ２，…，ｘｎを参照して、その画像に被写体として含まれる物品の状態を判定するブロックである。

本実施形態において、判定部１０２は、学習用データに含まれる画像に被写体として含まれる物品の状態を、以下のように判定する。まず、判定部１０２は、その学習用データに含まれる画像の特徴量ベクトル（ｘ１，ｘ２，…，ｘｎ）を算出する。次に、判定部１０２は、その特徴量ベクトル（ｘ１，ｘ２，…，ｘｎ）が部分空間Ｓ１，Ｓ２，…Ｓｍの何れに属するかを特定する。そして、判定部１０２は、その特徴量ベクトル（ｘ１，ｘ２，…，ｘｎ）が属する部分空間Ｓｉに対応する状態ｉを、その画像に被写体として含まれる物品の状態であると判定する。

加工部１０３は、学習用データセットに属する各学習用データについて、その学習用データに含まれるタグを、判定部１０２にて判定された状態を示すタグに置き換えるブロックである。学習用データセットに属する各学習用データは、加工部１０３にて加工された後、画像を入力とし、その画像に被写体として含まれる物品の状態を出力とする分類器の機械学習に用いられる。

（加工方法の流れ）
加工装置１が実行する加工方法Ｓ１の流れについて、図３～図７を参照して説明する。

図３は、加工方法Ｓ１の流れを示すフローチャートである。加工方法Ｓ１は、図３に示すように、分割ステップＳ１０１と、判定ステップＳ１０２と、加工ステップＳ１０３と、を含んでいる。

分割ステップＳ１０１は、画像の特徴量ｘ１，ｘ２，…，ｘｎにより構成される特徴量空間Ｘを、画像に被写体として含まれる物品の状態に対応する部分空間Ｓ１，Ｓ２，…Ｓｍに分割する分割処理を、学習用データセットを参照して分割部１０１が実行するステップである。

図４は、特徴量の個数ｎが２であり、状態の個数ｍが２である場合について、分割ステップＳ１０１における分割処理の一例を示す模式図である。この場合、特徴量空間Ｘは、平面（２次元ベクトル空間）であり、部分空間Ｓ１，Ｓ２の境界は、直線（１次元超平面）Ｌとなる。図４において、白丸は、状態１を示すタグと共に学習用データに含まれる画像の特徴量ベクトルを示し、黒丸は、状態２を示すタグと共に学習用データに含まれる画像の特徴量ベクトルを示す。分割部１０１は、学習用データに含まれるタグが示す状態が状態ｉであるとき、その学習用データに含まれる画像の特徴量ベクトルが状態ｉに対応する部分空間Ｓｉに含まれることを正解として、正解率が最も高くなるように直線Ｌを定める。分割部１０１は、上述した正解率が最も高くなるように、特徴量空間Ｘを２つの部分空間Ｓ１，Ｓ２に分割する直線Ｌを定める。この直線Ｌが等式ａ０＋ａ１ｘ１＋ａ２ｘ２＝０により表される場合、一方の部分空間Ｓ１は、不等式ａ０＋ａ１ｘ１＋ａ２ｘ２＞０により表され、他方の部分空間Ｓ２は、不等式ａ０＋ａ１ｘ１＋ａ２ｘ２＜０により表される。

図４に示すように、状態１を示すタグと共に学習用データに含まれる画像の特徴量ベクトル（白丸）の大部分は、状態１に対応する部分空間Ｓ１に含まる。また、状態２を示すタグと共に学習用データに含まれる特徴量ベクトル（黒丸）の大部分は、状態２に対応する部分空間Ｓ２に含まれる。これらの学習用データは、その学習用データを作成する際に行われる人による分類作業が正しく行われた学習用データであると考えられる。一方、状態１を示すタグと共に学習用データに含まれる画像の特徴量ベクトル（白丸）のうち、直線Ｌの近傍にある特徴量ベクトルの一部は、状態２に対応する部分空間Ｓ２に含まる。また、状態２を示すタグと共に学習用データに含まれる画像の特徴量ベクトル（黒丸）のうち、直線Ｌの近傍にある特徴量ベクトルの一部は、状態１に対応する部分空間Ｓ１に含まれる。これらの学習用データは、その学習用データを作成する際に行われる人による分類作業が正しく行われなかった学習用データであると考えられる。

判定ステップＳ１０２は、学習用データセットに属する各学習用データについて、その学習用データに含まれる画像に被写体として含まれる物品の状態を判定する判定処理を、その画像の特徴量ｘ１，ｘ２，…，ｘｎを参照して判定部１０２が実行するステップである。

加工ステップＳ１０３は、学習用データセットに属する各学習用データについて、その学習用データに含まれるタグを、判定部１０２にて判定された状態を示すタグに置き換える加工処理を、加工部１０３が実行するステップである。

図５は、特徴量の個数ｎが２であり、状態の個数ｍが２である場合について、判定ステップＳ１０２における判定処理及び加工ステップＳ１０３における加工処理の一例を示す模式図である。図５に示す例では、タグＴａと共に学習用データＤａに含まれる画像Ｉａの特徴量ベクトルＸａが特徴量空間Ｘにおいて部分空間Ｓ１に属している。このため、判定ステップＳ１０２において、画像Ｉａに被写体として含まれる物品の状態が状態１であると判定され、加工ステップＳ１０３において、タグＴａが状態１を示すタグＴ１に設定される。同様に、タグＴｂと共に学習用データＤｂに含まれる画像Ｉｂの特徴量ベクトルＸｂが特徴量空間Ｘにおいて部分空間Ｓ２に属している。このため、判定ステップＳ１０２において、画像Ｉｂに被写体として含まれる物品の状態が状態２であると判定され、加工ステップＳ１０３において、タグＴｂが状態２を示すタグＴ２に設定される。

〔第２の実施形態〕
本実施形態では、第１の実施形態に係る加工装置１を用いて、物品の検査を行う検査装置２を構成する実施形態について説明する。

（検査装置の構成）
検査装置２の機能的構成について、図６を参照して説明する。図６は、検査装置２の機能的構成を示すブロック図である。なお、検査装置２の物理的構成については、図１を参照して説明した加工装置１と同様であるため、詳細な説明を省略する。

検査装置２は、図６に示すように、加工装置１を含む。すなわち、検査装置２は、上述した分割部１０１と、判定部１０２と、加工部１０３と、を備えている。また、検査装置２は、さらに、分類器２０１と、学習制御部２０２とを備えている。

分割部１０１は、与えられた学習用データセットを参照して、画像の特徴量ｘ１，ｘ２，…，ｘｎにより構成される特徴量空間Ｘを、画像に被写体として含まれる物品の状態に対応する部分空間Ｓ１，Ｓ２，…Ｓｍに分割するブロックである。判定部１０２は、学習用データセットに属する各学習用データについて、その学習用データに含まれる画像の特徴量ｘ１，ｘ２，…，ｘｎを参照して、その画像に被写体として含まれる物品の状態を判定するブロックである。加工部１０３は、学習用データセットに属する各学習用データについて、その学習用データに含まれるタグを、判定部１０２にて判定された状態を示すタグに置き換えるブロックである。

分類器２０１は、物品を被写体として含む画像を参照して該物品の状態を分類する分類処理を、学習済みモデル（機械学習により定められるアルゴリズム）を用いて実行するブロックである。学習済みモデルとしては、例えば、ＣＮＮ（Convolutional neural network）などのニューラルネットワークが用いられる。学習制御部２０２は、加工部１０３にて加工された学習用データを用いて分類器２０１に機械学習を行わせるブロックである。

（実施例）
画像に被写体として含まれる物品の欠陥を、２種類の異常（以下、異常Ａ及び異常Ｂと記載）に分類する実施例について説明する。

本実施例においては、学習用データセットとして、欠陥を有する物品を被写体として含む画像と、その欠陥を人が分類した結果を示すタグとを含む、４０００個の学習用データの集合を用いた。また、本実施例においては、特徴量として、欠陥の色の濃さを表す特徴量Ｘと、欠陥の色の濃さを周囲の色の濃さで除算した商（欠陥の色濃さ／周囲の色の濃さ）を表す特徴量Ｙと、を用いた。

図７は、学習用データセットに属する各学習用データに含まれる画像の特徴量ベクトルの分布を示すグラフである。同グラフにおいて、灰色の点は、異常Ａを示すタグと共に学習用データに含まれる画像（すなわち、人が異常Ａに分類した欠陥を含む被写体として含む画像）の特徴量ベクトルを表し、黒色の点は、異常Ｂを示すタグと共に学習用データに含まれる画像（すなわち、人が異常Ｂに分類した欠陥を被写体として含む画像）を表す。

図８は、分割部１０１が特徴量空間Ｘを分割した結果を示すグラフである。同グラフにおいて、直線Ｙ＝０．１９５１３Ｘ＋９０．７９７は、分割部１０１が定めた異常Ａに対応する領域ＳＡと異常Ｂに対応する領域ＳＢとの境界を表す。この直線Ｙ＝０．１９５１３Ｘ＋９０．７９７の決定には、ＬＤＡ（Linear Discriminant Analysis）と呼ばれる機械学習法を用いた。

図８によれば、人が異常Ａに分類した欠陥を被写体として含む画像の一部が、異常Ｂに対応する領域ＳＢに含まれており、人が異常Ｂに分類した欠陥を被写体として含む画像の一部が、異常Ａに対応する領域ＳＡに含まれていることが分かる。これらの画像は、学習用データを作成する際に行われる人による分類作業が正しく行われなかった画像であると考えられる。加工部１０３は、これらの画像と共に学習用データに含まれているタグを、判定部１０２の判定結果に応じて置き換える。すなわち、領域ＳＡに含まれる画像と共に学習用データに含まれているタグを、異常Ａを表すタグに置き換え、領域ＳＢに含まれる画像と共に学習用データに含まれているタグを、異常Ｂを表すタグに置き換える。

加工部１０３により加工される前の学習用データを用いて機械学習を行った分類器２０１の分類精度と、加工部１０３により加工された後の学習用データを用いて機械学習を行った分類器２０１の分類精度とを比較した。この比較には、学習用データセットとは独立なテスト用データセットを用いた。ここで、分類精度とは、人による判定結果を正解とする、分類器２０１による分類結果の正解率のことを指す。その結果、加工部１０３により加工される前の学習用データを用いて機械学習を行った分類器２０１の分類精度は、９７．３％であった。一方、加工部１０３により加工された後の学習用データを用いて機械学習を行った分類器２０１の分類精度は、９８．２％であった。すなわち、学習用データの加工により、分類器２０１の分類精度が０．９％向上することが確かめられた。

〔付記事項〕
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 加工装置
２ 検査装置
１０ バス
１１ 主メモリ
１２ プロセッサ
１３ 補助メモリ
１４ 入出力インターフェース
２０ 入力装置
３０ 出力装置
１０１ 分割部
１０２ 判定部
１０３ 加工部
２０１ 分類器
２０２ 学習制御部

Claims (6)

1. 物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データを加工する加工装置において、
   上記学習用データに含まれる画像に被写体として含まれる物品の状態を、該画像の少なくとも１つの特徴量に基づいて判定する判定部と、
   上記学習用データに含まれるタグを、上記判定部にて判定された状態を示すタグに置き換える加工部と、
   を備え、
   上記画像には、欠陥を有する前記物品が被写体として含まれ、
   前記判定部が参照する前記少なくとも１つの特徴量には、前記欠陥の色の濃さを表す特徴量と、前記欠陥の色の濃さを周囲の色の濃さで除算した商を表す特徴量と、が含まれる、
   ことを特徴とする加工装置。
2. 上記学習用データを含む学習用データセットを参照して、上記特徴量からなる特徴量ベクトルを要素とする特徴量空間を、それぞれが物品の状態に対応する少なくとも２つの部分空間に分割する分割部を更に備え、
   上記判定部は、上記学習用データに含まれる画像に被写体として含まれる物品の状態を、上記部分空間のうち、該画像の上記特徴量からなる特徴量ベクトルが含まれる部分空間に対応する物品の状態であると判定する、
   ことを特徴とする請求項１に記載の加工装置。
3. 上記分割部は、上記学習用データセットに含まれる各学習用データについて、該学習用データに含まれるタグが示す物品の状態と、上記部分空間のうち、該学習用データに含まれる画像の上記特徴量からなる特徴量ベクトルが属する部分空間に対応する物品の状態とが一致することを正解として、上記判定部は、上記特徴量空間を上記部分空間に分割する超平面を、正解率を最大化するように決定する、
   ことを特徴とする請求項２に記載の加工装置。
4. 物品を被写体として含む画像と人が分類した該物品の状態を示すタグとを含む学習用データを加工する加工方法において、
   上記学習用データに含まれる画像に被写体として含まれる物品の状態を、該画像の少なくとも１つの特徴量に基づいて判定する判定ステップと、
   上記学習用データに含まれるタグを、上記判定ステップにて判定された状態を示すタグに置き換える加工ステップと、を含み、
   上記画像には、欠陥を有する前記物品が被写体として含まれ、
   前記判定ステップが参照する前記少なくとも１つの特徴量には、前記欠陥の色の濃さを表す特徴量と、前記欠陥の色の濃さを周囲の色の濃さで除算した商を表す特徴量と、が含まれる、
   ことを特徴とする加工方法。
5. コンピュータを請求項１から３の何れか１項に記載の加工装置として動作させる加工プログラムであって、上記コンピュータを上記加工装置の各部として機能させることを特徴とする加工プログラム。
6. 物品の検査を行う検査装置であって、
   上記物品を被写体として含む画像を参照して該物品の状態を分類する分類処理を、機械学習により定められるアルゴリズムに従い実行する分類器と、
   請求項１から３の何れか１項に記載の加工装置と、
   上記加工装置にて加工された学習用データを用いて上記分類器に機械学習を行わせる学習制御部と、を備えている、
   ことを特徴とする検査装置。

Images